1. 项目概述把 Jupyter Notebook 变成一篇可读、可传播、有质感的 Medium 博文你写完一个 Jupyter Notebook代码跑通了图表画好了结论也推导出来了——但把它直接扔进 GitHub 仓库里几乎没人会点开看。它本质上是一份“工作日志”不是“传播内容”。而 Medium 的读者是带着明确信息需求来的他们想快速理解一个技术思路、复现一个分析流程、或者被某个洞见打动。这时候一份原生的.ipynb文件就像把厨房操作台连同砧板、刀具、未切完的洋葱一起搬上餐桌——功能完整但体验断裂。我从 2018 年开始在 Medium 上持续发布数据科学类内容前三年发过不下 40 篇带 Notebook 的文章踩过的坑比写的代码还多。最早我用nbconvert --to html导出再手动粘贴结果公式渲染错位、代码块缩进全乱、交互式图表直接消失后来试过用jupyter-book生成静态网站再截图嵌入但 Medium 不支持 iframe且截图无法被搜索引擎索引再后来用jupyter-to-medium这个库第一次成功发布时我盯着那篇排版干净、代码高亮、数学公式居中、图片自动居中的文章看了三分钟——不是因为写得多好而是因为终于不用再和格式搏斗了。这个项目的核心就是解决“技术表达”和“大众阅读”之间的最后一公里断层。它不改变你的 Notebook 内容逻辑只做一件事把你在 Jupyter 里思考、验证、呈现的过程翻译成 Medium 编辑器能原生理解、读者能流畅阅读、算法能友好抓取的 HTML 结构。关键词里的 “Towards AI — Multidisciplinary Science Journal” 不是随便贴的标签它代表一种真实存在的内容范式面向跨学科读者要求技术严谨性不打折扣同时语言必须剔除学术黑话图表必须自带解释每一段代码都要回答“它为什么在这里”。适合谁来学第一类是刚入门的数据科学学习者你有一份课程作业或 Kaggle 分析想把它变成作品集里的亮点第二类是团队里的技术布道师需要把内部模型验证过程转化成对外的技术博客第三类是独立研究者手头有扎实的分析但苦于没有渠道放大影响力。它不需要你懂前端开发但要求你对 Jupyter 的 cell metadata 和 Markdown 语法有基本掌控——这恰恰是绝大多数 Notebook 用户已经具备的能力。接下来我会带你从零开始把一份原始 Notebook变成一篇能在 Medium 上获得自然流量、被读者收藏、甚至被其他媒体引用的高质量博文。2. 整体设计思路与方案选型解析为什么是 jupyter-to-medium而不是其他路径在动手之前必须先说清楚为什么我们不选别的路我实测过至少 6 种主流方案每一种都曾让我在深夜两点对着一团乱码叹气。这里不是罗列工具而是拆解每个方案背后的设计哲学和现实约束。2.1 方案一纯手动复制粘贴已淘汰这是新手最常走的死路。打开 Notebook挨个复制 Markdown cell 到 Medium 编辑器再复制 Code cell再插入图片……问题立刻爆发代码块丢失语法高亮Medium 的编辑器只认基础 Markdownpython或bash语言标识会被忽略所有代码变成灰扑扑的等宽字体毫无可读性数学公式彻底失效Jupyter 用 MathJax 渲染 LaTeXMedium 用的是 KaTeX两者配置不兼容\frac{a}{b}直接显示为原始字符串图片路径全崩Notebook 里的在 Medium 里变成 404因为你根本没把图片上传到 Medium 的图床。提示这个方案唯一的价值是让你深刻理解“自动化”的必要性。我建议所有人至少试一次花 20 分钟手动处理一个含 3 个代码块、2 个公式的 Notebook你会立刻放弃。2.2 方案二nbconvert 自定义模板半自动但维护成本高jupyter nbconvert --to html --template basic notebook.ipynb能生成 HTML但默认模板是为本地浏览设计的内联 CSS、全局 JS、大量 div 嵌套。Medium 的编辑器只接受极简 HTML比如它要求precode必须带classlanguage-python才能触发高亮而 nbconvert 默认输出的是precode classhljs。你得自己写 Jinja2 模板重写所有 code block 的 class 属性还要把 MathJax 替换为 KaTeX 的 script 标签并确保所有图片 base64 编码后嵌入——这意味着每次修改图片整个 HTML 都要重新生成。我维护过一个模板光是适配 Medium 的图片上传 API 就写了 300 行 Python最后发现 Medium 的 API 文档半年就更新一次维护成本远超收益。2.3 方案三jupyter-to-medium当前最优解jupyter-to-medium的核心设计哲学非常清醒它不试图“生成一个完美网页”而是“生成 Medium 编辑器能直接消化的 MarkdownHTML 混合体”。它的作者一位前 Medium 工程师深谙平台限制所以整个流程是解析 Notebook JSON读取.ipynb文件逐 cell 分析类型markdown/code/output智能转换规则Markdown cell → 原样保留但自动修正链接相对路径Code cell → 转为python ...代码块并注入classlanguage-pythonOutput 中的 PNG/SVG → 自动上传到 Medium 图床返回永久 URLOutput 中的 HTML 表格 → 提取table标签包裹在div classmedium-insert-table里适配 Medium 的表格渲染公式专项处理检测$...$和$$...$$将其包裹在span classmath-inline和div classmath-block中让 Medium 的 KaTeX 插件接管元数据映射把 Notebook 的metadata.kernelspec.name映射为 Medium 的“技术标签”比如python3→#Python。这个方案的优势在于“精准打击”它不做通用 HTML 渲染只做 Medium 兼容性这一件事。我对比过 5 个不同复杂度的 Notebook从单页 EDA 到含 12 个子图的深度学习训练日志jupyter-to-medium的一次成功率是 92%失败的 8% 全部集中在自定义 JavaScript 输出如 Plotly 的交互图而这部分本就不该出现在 Medium 博文中——你得主动用fig.write_image(plot.png)替代fig.show()。2.4 方案四JupyterLab 插件未来可期但当下不稳社区有jupyterlab-medium-publisher插件点击按钮直接发布。听起来很美但它依赖 Medium 的 OAuth 2.0 流程而 Medium 的开发者权限申请通过率低于 15%我被拒过两次理由是“应用用途描述不够清晰”。更实际的问题是插件无法处理 Notebook 中的私有 Git 子模块引用或本地路径数据加载——它假设所有资源都在 Notebook 同级目录。对于工业级项目这几乎不可行。注意如果你的 Notebook 里有pd.read_csv(../data/raw.csv)这种路径任何基于 JupyterLab 的插件都会报错。jupyter-to-medium则要求你提前用%cd或os.chdir()切换到数据根目录这是可控的、显式的约定。3. 核心细节解析与实操要点从环境准备到 Notebook 规范化改造现在进入实操环节。很多人卡在第一步装完jupyter-to-medium一运行就报错。这不是工具的问题而是你没理解它的“契约精神”——它要求 Notebook 必须符合一套轻量级规范否则拒绝合作。下面我拆解每一个关键细节包括为什么这样设计、不这样做会怎样、以及我踩过的具体坑。3.1 环境准备隔离、认证、权限三步到位首先绝对不要在你的主 Python 环境里安装这个库。jupyter-to-medium依赖requests-toolbelt和python-frontmatter而这两个包在某些旧版 Jupyter 中会与notebook包冲突。我的标准做法是# 创建专用虚拟环境 python -m venv medium-env source medium-env/bin/activate # macOS/Linux # medium-env\Scripts\activate # Windows # 安装核心依赖注意版本 pip install jupyter-to-medium0.4.2 pip install python-frontmatter0.5.0为什么锁死0.4.2因为0.5.0版本引入了对 Medium 新 API 的支持但要求你必须提供integration_token而这个 token 的获取流程极其繁琐需创建 Medium 应用、配置 OAuth 回调域名、验证域名所有权。0.4.2仍支持旧版client_id/client_secret认证虽然 Medium 官方已标记为 deprecated但实测至今有效且配置简单。认证环节是最大雷区。你需要访问 Medium Developer Portal 点击 “Create New Application”应用名称填MyDataBlog主页 URL 填https://github.com/yourname随便填Medium 不验证关键一步在 “OAuth Redirect URLs” 里填http://localhost:8000必须带端口且不能是127.0.0.1保存后复制Client ID和Client Secret。然后在终端执行jupyter-to-medium auth --client-id YOUR_CLIENT_ID --client-secret YOUR_CLIENT_SECRET它会自动打开浏览器让你登录 Medium 账号并授权。授权后页面会跳转到http://localhost:8000?codexxx此时你必须手动复制code后面的长字符串回到终端粘贴。很多用户卡在这里以为会自动捕获——不会这是设计使然因为jupyter-to-medium不起 HTTP 服务只是监听一次输入。实操心得如果复制错了别慌。删除~/.jupyter-to-medium/credentials.json文件重跑auth命令即可。这个文件存着你的 access token有效期 30 天过期后只需重新授权无需重装库。3.2 Notebook 规范化改造让代码“可发布”的 4 个硬性要求jupyter-to-medium不是万能胶它只处理“已清洗”的 Notebook。我总结出 4 条铁律每一条都对应一个真实翻车现场第一所有输出必须可重现禁用随机种子漂移你的 Notebook 里如果有np.random.seed()必须显式设置且值固定。我曾发过一篇关于蒙特卡洛模拟的文章因为用了np.random.seed(int(time.time()))导致每次运行输出图表坐标都变Medium 发布后读者复现失败评论区全是“代码结果对不上”。正确写法是# ✅ 好习惯固定种子且写在第一个 code cell import numpy as np np.random.seed(42) # 42 是程序员的宇宙真理第二图片必须本地化禁用远程 URLNotebook 里不能有plt.imshow(https://example.com/chart.png)。jupyter-to-medium只上传本地文件系统中的图片。所有图表必须用plt.savefig()或fig.write_image()保存到 Notebook 同级目录。我习惯在 Notebook 开头加一个 setup cell# ✅ 好习惯统一图片输出路径 import os import matplotlib.pyplot as plt OUTPUT_DIR media # 创建 media/ 文件夹 os.makedirs(OUTPUT_DIR, exist_okTrue) # 后续所有绘图都这样保存 plt.savefig(os.path.join(OUTPUT_DIR, eda_distribution.png), dpi300, bbox_inchestight)第三Markdown cell 必须语义清晰禁用复杂 HTMLMedium 编辑器不支持div stylefloat:left这类样式。所有排版意图必须用 Markdown 原语表达用 引用块替代blockquote用**加粗**替代strong用---分割线替代hr。我见过最离谱的案例有人在 Markdown cell 里写img srcdata:image/png;base64,... /jupyter-to-medium直接忽略该 cell整段文字消失。记住Markdown cell 就是纯文本别掺 HTML。第四代码块必须带语言标识禁用无标识裸代码这是最容易被忽略的细节。Jupyter 的 code cell 默认没有语言元数据。你必须手动在 cell 的 metadata 里添加{ language: python }怎么操作在 JupyterLab 里选中 code cell → 右键 → “Edit Cell Metadata” → 粘贴上面 JSON。或者用命令行批量处理jupyter nbconvert --to notebook --output updated.ipynb \ --postprocessor jupyter_to_medium.postprocessors.CodeLanguagePostProcessor \ original.ipynb这个 postprocessor 会自动给所有 code cell 注入language字段。不这样做生成的代码块在 Medium 里就是 plain text毫无高亮。3.3 元数据注入让 Medium 知道这是什么内容Medium 的推荐算法极度依赖文章元数据标题、摘要、标签、封面图。jupyter-to-medium通过 Notebook 的metadata字段读取这些信息但默认是空的。你必须在 Notebook 的第一个 cell通常是 Markdown里用 YAML frontmatter 声明--- title: 如何用 PyTorch 实现时间序列异常检测 subtitle: 基于 LSTM-Autoencoder 的端到端实践 tags: [PyTorch, Time Series, Anomaly Detection] publish_status: public cover_image: media/cover.jpg --- 正文从这里开始...注意几个细节tags最多 5 个且必须是 Medium 已有的标签可在 Medium Tags 查cover_image必须是本地路径且图片尺寸建议 1200x627pxMedium 封面黄金比例publish_status设为draft可先存草稿设为public则直接发布。提示如果你的 Notebook 有多个章节建议在每个大节开头用## 章节名jupyter-to-medium会自动将这些二级标题作为 Medium 的“小标题”提升 SEO 可读性。我测试过带 3 个以上##的文章在 Google 搜索 “pytorch time series tutorial” 时排名比纯段落文章高 2 位。4. 实操过程与核心环节实现从命令行到发布成功的全流程记录现在我们进入真正的实战。我会以一个真实的 Notebook 为例——《用 Scikit-learn 构建客户流失预测模型》全程记录每一步操作、预期输出、常见报错及解决方案。这个 Notebook 共 12 个 cell含 4 个代码块、3 个 Matplotlib 图表、2 个 Pandas 表格、1 个 LaTeX 公式是典型的中等复杂度数据科学博文。4.1 准备工作目录结构与文件检查首先整理你的项目目录。这是我的标准结构churn-prediction/ ├── notebook.ipynb # 主 Notebook 文件 ├── data/ # 数据目录不上传仅本地使用 │ └── customer_data.csv ├── media/ # 所有输出图片存放处 │ ├── eda_correlation.png │ ├── model_roc.png │ └── feature_importance.png └── requirements.txt # 可选用于说明依赖关键检查点notebook.ipynb是否已按 3.2 节要求完成规范化固定随机种子、图片本地化、Markdown 纯净、代码带 languagemedia/目录是否存在是否为空jupyter-to-medium会清空该目录并重传打开notebook.ipynb确认第一个 cell 是 YAML frontmatter3.3 节格式。4.2 执行发布命令参数详解与调试技巧激活虚拟环境后执行jupyter-to-medium publish \ --notebook-path churn-prediction/notebook.ipynb \ --output-dir churn-prediction/media \ --author-id yourmediumhandle \ --publication-id your-publication-slug \ --verbose参数详解--notebook-path必须是相对路径或绝对路径不能是./notebook.ipynb会报错--output-dir指定图片上传后的临时目录也是jupyter-to-medium读取media/的位置--author-id你的 Medium 用户名格式是username不是邮箱--publication-id如果你属于 Medium Publication如 Towards AI填其 URL 后缀比如towardsai--verbose必加它会打印每一步的 HTTP 请求和响应是排查问题的唯一依据。执行后你会看到类似输出INFO:root:Reading notebook from churn-prediction/notebook.ipynb INFO:root:Found 12 cells (8 markdown, 4 code) INFO:root:Uploading image media/eda_correlation.png... OK (https://cdn-images-1.medium.com/max/800/1*abc123.jpg) INFO:root:Uploading image media/model_roc.png... OK (https://cdn-images-1.medium.com/max/800/1*def456.jpg) INFO:root:Converting LaTeX: $F_1 2 \cdot \frac{precision \cdot recall}{precision recall}$ → span classmath-inline.../span INFO:root:Posting to Medium API... OK (https://medium.com/yourhandle/how-to-build-churn-prediction-model-123abc)如果卡在某一步比如Uploading image...一直不动--verbose会显示 HTTP 401 错误说明 token 过期需重跑auth如果显示KeyError: tags说明 YAML frontmatter 缺少tags字段。4.3 关键环节LaTeX 公式与 Pandas 表格的精准转换这是最体现jupyter-to-medium智能的地方。我们来看两个真实片段的转换过程。LaTeX 公式转换Notebook 中的 Markdown cellF1 分数的计算公式为 $$F_1 2 \cdot \frac{precision \cdot recall}{precision recall}$$jupyter-to-medium的处理逻辑正则匹配$$...$$提取内容F_1 2 \cdot \frac{precision \cdot recall}{precision recall}将其包裹在div classmath-block中并转义特殊字符输出为div classmath-block span classkatex-displayspan classkatexspan classkatex-mathml.../span/span/divMedium 的前端会自动加载 KaTeX 并渲染。我测试过 27 个不同复杂度的公式含矩阵、求和符号、分段函数100% 渲染正确。唯一例外是\begin{cases}...\end{cases}需手动改为\\begin{cases} ... \\end{cases}双反斜杠这是 KaTeX 的语法要求。Pandas 表格转换Notebook 中的 code cell# language: python import pandas as pd feature_importance pd.DataFrame({ Feature: [tenure, monthly_charges, total_charges], Importance: [0.42, 0.35, 0.23] }) feature_importancejupyter-to-medium的处理检测到Output类型为application/vnd.dataresourcejsonPandas 的标准输出格式调用pandas.DataFrame.to_html()但禁用索引、禁用边框、添加classmedium-table输出为div classmedium-insert-table table classmedium-table theadtrthFeature/ththImportance/th/tr/thead tbody trtdtenure/tdtd0.42/td/tr trtdmonthly_charges/tdtd0.35/td/tr trtdtotal_charges/tdtd0.23/td/tr /tbody /table /divMedium 的 CSS 会自动为.medium-table添加斑马纹和悬停效果。实测下来比手动用 Markdown 表格| Feature | Importance |更稳定尤其当表格列数超过 5 列时Markdown 表格容易错位。4.4 发布后校验三个必须手动检查的点发布成功不等于万事大吉。我坚持三个发布后必检步骤已避免 9 次重大翻车第一检查图片加载速度打开发布的文章右键 → “检查元素”切换到 Network 标签页刷新页面。观察所有cdn-images-1.medium.com请求的Waterfall时间。如果某张图耗时 2s说明图片尺寸过大。Medium 对图片有隐式压缩但原始 PNG 超过 2MB 时首屏加载会明显卡顿。解决方案用Pillow预压缩from PIL import Image img Image.open(media/feature_importance.png) img.save(media/feature_importance_optimized.png, optimizeTrue, quality85)第二检查移动端排版用 Chrome DevTools 切换到 iPhone 12 Pro 模拟器滚动全文。重点看代码块是否横向溢出Medium 的代码块默认不换行需手动加overflow-x: auto但jupyter-to-medium已内置表格是否缩小到难以阅读.medium-table有font-size: 14px足够清晰公式是否被截断KaTeX 的display: block属性已确保居中。第三检查 SEO 友好性在文章末尾手动添加一个隐藏的!-- --注释包含核心关键词!-- SEO: customer churn prediction, scikit-learn tutorial, machine learning blog --Medium 的爬虫会索引注释内容。我 A/B 测试过加了这个注释的文章30 天内来自 Google 的自然流量平均提升 17%。5. 常见问题与排查技巧实录那些官方文档不会告诉你的真相即使严格遵循上述流程你仍可能遇到一些“幽灵问题”——它们不报错但结果诡异。以下是我在 4 年运营中收集的 7 个最高频问题附带真实日志、根本原因和一招解决法。5.1 问题一发布后文章标题变成乱码如 “ææ¯åšä½”现象Medium 文章标题显示为 UTF-8 编码的乱码但正文正常。日志线索--verbose输出中POST /v5/users/xxx/posts的请求体里title字段是乱码。根本原因你的终端Terminal或 IDE 的编码不是 UTF-8。MacOS 的默认 shell 是 zsh但某些老版本 zsh 的 locale 是en_US.ISO8859-1。解决法在终端执行locale如果LANG不是en_US.UTF-8则执行echo export LANGen_US.UTF-8 ~/.zshrc source ~/.zshrcWindows 用户需在 PowerShell 中执行chcp 65001切换到 UTF-8 代码页。5.2 问题二图片上传成功但 Medium 显示 “Image not found”现象--verbose显示Uploading image... OK返回 URL 也正常但文章里图片占位符显示 “Image not found”。日志线索打开返回的 CDN URL如https://cdn-images-1.medium.com/max/800/1*abc123.jpg浏览器直接 404。根本原因Medium 的 CDN 有缓存策略新上传图片需 30-60 秒才能全球生效。但jupyter-to-medium发布请求是同步的它不等待 CDN 就提交文章。解决法在publish命令后加--delay 90参数强制等待 90 秒jupyter-to-medium publish --notebook-path notebook.ipynb --delay 90我实测 90 秒是安全阈值120 秒太保守60 秒偶尔失败。5.3 问题三LaTeX 公式渲染为原始字符串如 “$F_1 ...$”现象公式没渲染直接显示$F_1 2 \cdot \frac{...}{...}$。日志线索--verbose中没有Converting LaTeX日志。根本原因Notebook 的 Markdown cell 里公式前后有空格或换行。例如公式 $$F_1 ...$$中间的空行会让正则匹配失败。解决法公式必须紧贴上下文无空行公式$$F_1 ...$$或者用单美元符内联公式F1 分数为 $F_1 ...$。5.4 问题四Pandas 表格列名错位数据挤在第一列现象表格只有一列所有内容列名数据堆在一起。日志线索--verbose中Converting Pandas table日志存在但输出 HTML 里thead缺失。根本原因Pandas DataFrame 的列名是中文或含空格to_html()默认不处理。解决法在生成表格前标准化列名# 在代码 cell 里加这行 feature_importance.columns [Feature, Importance] # 强制英文列名 feature_importance5.5 问题五发布后文章被 Medium 标记为 “Unlisted”现象文章 URL 可访问但不在你的个人主页动态流中搜索不到。日志线索--verbose中POST /v5/users/xxx/posts返回201 Created但响应体里published: false。根本原因YAML frontmatter 中publish_status: public写成了publish_status: public少了引号YAML 解析失败默认为unlisted。解决法用在线 YAML 验证器如 yamlchecker.com 检查 frontmatter 语法。5.6 问题六代码块高亮失效全部显示为灰色现象代码块有precode classlanguage-python但 Medium 没触发高亮。日志线索检查文章 HTML 源码发现classlanguage-python被 Medium 自动过滤掉了。根本原因Medium 的安全策略会移除class属性除非你用># macOS sed -i s/classlanguage-/data-language/g churn-prediction/media/published.html # Linux sed -i s/classlanguage-/data-language/g churn-prediction/media/published.html然后手动复制published.html的 body 内容粘贴到 Medium 编辑器选择 “HTML” 模式。5.7 问题七文章发布后Medium 自动添加无关标签如 “Technology”现象你只设了[PyTorch, Time Series]但 Medium 给文章加了额外的 “Technology”、“Programming” 标签。根本原因Medium 的算法会根据正文关键词自动补充标签无法关闭。解决法这是平台行为无需干预。但你可以利用它在 YAML frontmatter 的tags里加入一个 Medium 高权重标签如Machine Learning月搜索量 22 万它会压制低权重标签。我测试过加Machine Learning后自动添加的无关标签减少 60%。实操心得所有这些问题我都整理成一个TROUBLESHOOTING.md文件放在每个 Notebook 项目根目录。每次发布前花 2 分钟扫一眼比发布后救火省 2 小时。真正的效率不在于工具多快而在于你预判了多少坑。6. 进阶技巧与长期维护让每一篇博文都成为可持续资产发布一篇文章不是终点而是数据资产生命周期的起点。我运营的 42 篇 Notebook 博文平均生命周期是 18 个月远超普通技术博客的 3 个月秘诀在于一套“发布后运维”机制。这不是玄学而是可复制的操作清单。6.1 版本控制Notebook 与博文的双向绑定很多人把 Notebook 当作一次性产物发完就丢。但数据科学项目必然迭代。我的做法是在 GitHub 仓库里为每篇博文建一个分支命名规则blog/churn-prediction-v2每次模型更新或数据源变更都在该分支修改notebook.ipynb并更新media/下的图表重新运行jupyter-to-medium publish它会自动覆盖 Medium 上的同名文章URL 不变在博文末尾手动添加版本日志 更新日志2024-03-15 v2.1 - 使用新采集的 2024Q1 数据F1 分数从 0.82 提升至 0.87。这样你的 Medium 文章既是内容载体也是项目文档。读者看到的是最新结果你维护的是单一代码源。6.2 流量闭环把 Medium 读者导回你的技术资产Medium 是流量入口但你的代码、数据、模型才是核心资产。我设计了一个最小闭环在博文末尾放一个 GitHub 仓库链接但不是裸 URL而是带README.md预览的卡片[](https://github.com/yourname/churn-prediction)在 GitHubREADME.md里第一行就写 这是 Medium 博文《如何用 Scikit-learn 构建客户流失预测模型》的完整代码库。在 Notebook 的第一个 cell加一行注释# This notebook is published on Medium: https://medium.com/...这个闭环让 Medium 的 1000 个读者里平均有 37 人会点进 GitHub其中 12 人 star 仓库。Star 数是我衡量博文技术价值的唯一 KPI。6.3 SEO 优化让 Google 成为你最勤奋的编辑Medium 的 SEO 很弱但你可以借力。我的三步法标题优化不用 “How to...”改用 “X Ways to Y (With Code)” —— 我测试过“5 Ways to Improve Model Accuracy (With PyTorch Code)” 的 CTR 比 “How to Improve Model Accuracy” 高 2.3 倍首段埋词在博文第一段的前 100 字必须出现 3 个核心关键词如 “PyTorch, time series, anomaly detection”外链建设在你的 LinkedIn 个人简介里写 “Author of Medium posts on PyTorch time series modeling”并附上博文链接。LinkedIn 的页面权重极高Google 会优先索引。这套组合拳下我一篇关于 LSTM 的博文发布 6 个月后72% 的流量来自 Google 自然搜索而非 Medium 站内推荐。6.4 社区联动把单向发布变成双向对话Medium 的评论区是金矿。我坚持一个原则所有技术性评论必须用代码回复。例如读者问“为什么不用 GRU 替代 LSTM” 我不文字解释而是新建一个 cell# Compare LSTM vs GRU lstm_model Sequential([LSTM(64), Dense(1
